本书将思考颗粒度定义为：在一次相对独立的认知操作中，被当作一个整体处理的结构单位的尺度。它不是文字长度，也不只是事实数量。一千个互不相关的信息点，未必构成一个大认知块；一个简短定理，却可能把一整类关系组织成可操作的整体。
学生逐项计算几个价格，是小颗粒度操作；把一组价格组织成成本函数，再比较不同定价机制，是更大单位的操作。但颗粒度的扩大必须保持内部关系。如果只把十页资料压缩成”综合考虑、协同推进”几个词，材料虽然变短了，知识结构却可能消失了。这叫概括不足，不叫认知升级。
为避免把”粗糙”误当”高阶”，本书同时使用”单位尺度”与”关系保真”两个条件。有效的认知块需要让人知道它包含哪些关系，以及哪些差异在压缩过程中不能被忽略。尺度大而关系失真，只会扩大错误传播的范围。
认知研究早已关注专家如何组织知识。Chi、Feltovich与Glaser对物理问题分类的研究发现，专家与新手形成问题表征时采用的类别不同：专家更重视物理原理，新手更容易依据题目表面特征。[2] 这说明，知识组织方式并非只是拥有信息多少的问题。
然而，AI给出一个按原理组织的解释，不等于读者自动形成了专家式知识结构。外部文本可以称为”认知块”，内部能够稳定调用的知识组织则应另行检验。前者可以在几秒钟内出现，后者需要通过理解、运用、纠错和迁移获得证据。
因此，本书区分”可调用”和”可支配”。可调用是能够拿到一个模型、方案或解释；可支配则意味着能够说明其用途、条件与边界，能够在需要时拆开关键部分，并能辨认它不适合使用的情况。教育真正需要扩大的不是学生能够粘贴的块，而是他能够可靠支配的块。
一个可用于学习与判断的认知块，至少应包含六类信息：它处理什么问题，主张什么关系，依赖什么前提，依据什么证据，在哪些条件下可能失效，以及需要核查时怎样展开。这六项不是固定表格的崇拜，而是防止结论脱离条件的最低要求。
例如，“小组讨论能够提高学习效果”不能直接成为一个完整的教学认知块。讨论内容是什么，成员是否共同解释，学习效果指当堂记忆还是迁移，是否存在参与不均，都影响它的实际含义。把这些条件带上，教师才有可能合理使用；把条件删掉，结论就容易变成万能口号。
可以用一个简式表示这种结构：K＝〈问题、主张、前提、证据、边界、展开入口〉。这里的K不是测量出来的自然常数，而是本书提出的分析单位。它的用途是提醒课程设计者：学生操作的对象应当具有接口与责任信息，而不能只剩下一个漂亮名称。
压缩可以只是缩短表达，封装则意味着把一段过程组织成可调用的功能单位。一页摘要可能隐藏了重要分歧，因此压缩率很高而封装质量很低。一段并不简短的程序说明，却可能清楚标明输入、输出、限制与测试方法，具有较好的封装性质。
本书所谓AI封装，不是宣称模型内部真的执行了与人完全相同的每一步推理，也不是把AI输出的解释当作其内部计算的忠实记录。它指的是在人机工作流程中，某些中间工作不再由学习者逐项完成，而由外部系统提供结果及可检查的支持材料。封装是任务组织的概念，不是对模型意识或神经机制的判断。
在此意义上，教材中的定理、成熟的软件函数、教师准备的案例包，也都可以承担认知封装。AI的重要性在于它使这种封装能够围绕具体问题动态生成和调整，而不是人类第一次在认知活动中使用中介。
成熟思考不是永远使用最大的块，而是知道何时整体调用、何时局部展开。面对熟悉条件，可以直接使用一个模型；面对异常结果，就要回到假设、数据或推理节点。只有上升而不能下降的思考，容易变成对模型名称的迷信。
一个学生若能背出”供需模型”，却不能解释价格变化时究竟哪一条关系在变，他还没有真正支配这个模型。另一个学生即使表达朴素，只要能在条件改变时准确拆开相关机制，就体现了更好的结构掌握。颗粒度不应凭措辞评估，而应凭操作行为评估。
教育的目标因而是”可伸缩的认知颗粒度”：能够以整体推进问题，也能够返回必要细节；能够借助技术跨越中间过程，也能够在异常发生时判断应该检查哪一段。它既反对永远逐步爬行，也反对只会在高空命名。
比较两个案例是否具有共同特征，是类比；比较两个学科的解释结构是否具有对应关系，也可以是类比。从几次观察形成一个猜想，是归纳；比较多个研究在不同条件下呈现的规律，同样包含归纳。由若干前提推出结论，是演绎；把一个完整模型作为前提系统，检验它对新情境的约束，也仍然可以使用演绎。
因此，认知层级变化不必以发现一种全新的基本逻辑为前提。熟悉的推理方式，在不同的操作对象上，可以承担完全不同规模的工作。AI可能提供较大的候选解释或方案，使学生的主要任务由组织零散材料，转为分析这些解释与方案之间的关系。
这里需要严格一点：演绎、归纳和类比并不是对所有思维活动的穷尽分类，也不能都不加区别地称为严格意义上的形式逻辑。本书保留”同样的逻辑在更大单位上运行”的洞见，但不把它夸大成逻辑学分类上的定理。判断模型如何适配现实，还包含证据评估、因果识别和价值审议。
假设一个论证说：凡是能够完成全部考试题的人，都已经掌握课程；AI帮助这名学生完成了全部考试题；所以这名学生已经掌握课程。这里至少有两个需要检查的地方：第一项前提是否合理，第二项描述是否偷换了”独立能力”与”借助系统完成”。即便某个论证在形式上规整，也不能用来替代对前提和概念的检查。
对教育而言，“高层形式逻辑判断”最有价值的解释，是把模型、论证和假设作为对象进行检查，而不是把所有价值问题都变成可机械计算的真假式。判断”方案能否达到目标”与判断”目标是否值得追求”，有联系，却不是同一个任务。
同样，本书所说的高层级，不等于数理逻辑中的二阶逻辑、高阶逻辑，也不等于人类已经超越机器所能处理的逻辑系统。它指思考活动的对象与组织层面：我们在判断一个步骤，还是判断由许多步骤组成的方案；在接受一个答案，还是在审议产生答案的题目。
读完更多材料，不必然意味着站到了更高层级。把一百个病例逐一抄写，处理规模扩大了，但判断仍可能停留在原来的层面。相反，只检查一个定义中被忽略的条件，就可能改变整个研究方向，材料不多，层级却发生了变化。
本书把层级理解为相对于当前任务的组织位置。对象层关注具体对象的性质，关系层关注对象间的结构，模型层关注关系如何被解释，任务层关注模型服务于什么目标，发生层则关注问题与判据如何被重新建立。这不是一套固定的智力等级，也不是所有学科都必须遵循的单线阶梯。
有时候，最有价值的高层判断是决定回到低层测量。有时候，所谓宏大问题并没有可验证内容，不如一个小而精确的判断。真正的层级能力，是能让抽象与具体彼此校准，而不是让抽象永久占据优势。
如果学生只能从AI列出的三个方案里选一个，他也可能仍然被封闭在外部预设的空间中。表面上由他作出决定，实际上的选项、比较标准与问题边界都已经被安排好了。这个学生拥有选择动作，却未必拥有选择空间的组织能力。
因此，课程应当允许学生回答：“这三个方案共有一个错误前提”“我们需要第四种方案”“目前还没有资格在三者中选择”。这些回答只有在能够提供理由和下一步检验时，才构成真正的高层判断。为了显得独立而故意拒绝所有选项，与无条件接受一样，不能证明能力。
高层判断也不是永久的认知分工。人仍然需要生成直觉、构造例子、进行局部推演；AI也可以帮助分析前提、检查关系和提出新问题。革命不在于把人固定为评委、把机器固定为选手，而在于建立一种可调整的协作结构，并使学生保有实际参与结构调整的能力。
传统的一次作业，常被规定为从问题走向答案。认知层级课堂则允许出现另一种路线：问题产生候选答案，候选答案暴露前提，前提检查改变问题，新的问题再产生新的检验。问题不只是起点，也可以成为学习过程中的作品。
例如，最初的问题是”怎样让学生更快写完报告”，讨论后可能变成”报告中的哪些判断必须由学生能够说明”，再进一步成为”怎样让报告成为能力发生而不是成品生产的过程”。这种改变不是换一个更响亮的标题，而是改变了要观察的变量、需要的证据和应当组织的课堂。
本书把这种有根据地修改先前问题、前提或标准的过程称为回写。回写需要留下前后差异：原来为什么这样问，什么证据暴露了问题，改写以后新增了什么检验。没有这些差异，反复改题只是漂移；能够解释这些差异，改题才成为学习。